CN115166563B - 一种动力电池老化状态评估与退役筛选方法及*** - Google Patents
一种动力电池老化状态评估与退役筛选方法及*** Download PDFInfo
- Publication number
- CN115166563B CN115166563B CN202210985717.0A CN202210985717A CN115166563B CN 115166563 B CN115166563 B CN 115166563B CN 202210985717 A CN202210985717 A CN 202210985717A CN 115166563 B CN115166563 B CN 115166563B
- Authority
- CN
- China
- Prior art keywords
- battery
- index
- screening
- voltage
- batteries
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012216 screening Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000032683 aging Effects 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 25
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical group [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 20
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 7
- 229910052744 lithium Inorganic materials 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000032677 cell aging Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005215 recombination Methods 0.000 description 4
- 230000006798 recombination Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008521 reorganization Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种动力电池老化状态评估与退役筛选方法及***,根据动力电池的外观以及电压数据进行第一层次筛选;获取第一层次筛选后的动力电池的设定时间内充电的测试数据,基于电池的容量‑电压曲线进行求导和二次求导,分别提取求导后曲线的设定峰值第一指标和第二指标,分别用于判断电池类别和一致性,实现第二层次筛选;基于电池的直流内阻对第二层次筛选后的电池进行第三层次筛选。本发明可以有效降低检测时间,降低筛选的测试成本,提升评估和筛选精度。
Description
技术领域
本发明属于电池评估和筛选技术领域,涉及一种动力电池老化状态评估与退役筛选方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
动力电池是电动汽车和新能源储能***的“心脏”,尤其是锂离子电池具有高能量密度、长循环寿命和高可靠性等优点而被广泛采用。但是,随着动力电池的不断老化,其性能将逐渐下降。电池容量是反应电池老化状态最直接参数。当电池容量低于额定容量的80%时,其性能将无法满足电动汽车的应用需求,但仍具有较高的剩余容量和经济价值,所以将电动汽车退役电池直接丢弃是不合理的,其梯次利用或二次利用已成为必然趋势并引起广泛关注。电池梯次利用可根据实际需求应用于不同场景,如新能源储能***、低速电动汽车、电动自行车等,其中在新能源储能***中的应用主要用于解决新能源消纳,支撑新能源稳定发展。综上所述,动力电池从生产制造到梯次利用都需要综合考虑应用场景、经济性和环境等多个因素来完成状态检测和评估。
事实上,动力电池的内部性能差异主要表现在内阻和最大可用容量两个方面。据此,当前对动力电池的筛选方法主要分为两类:第一类是直接测量方法。首先观察电池的外观特征,可以简单判断电池完整性;然后通过充电和放电测试获得电压数据,通过电压值分类筛选。该方法准确性好,但是整个测试过程工序复杂,耗时且繁琐,而且经济性差,难以大规模应用。另一类筛选方法利用容量和内阻的相关特征进行分类。但常用的方法适应性差,不能满足包括LiNCM、LiFePO4等电池种类多、特性差异大的要求。
中国发明专利申请(申请号202010273168.5)提出一种以电池的直流内阻RDC、库伦效率CE、容量保持率SOH、温升ΔT和电压增量ΔV五个电池参数作为指标进行筛选。存在多参数特征获取周期长、缺乏实际验证等问题。中国发明专利申请(202010610610.9)通过测量的电池容量、内阻、温度三个参数进行多层次筛选,但整个筛选过程测试时间过长,尤其是容量指标的获取需要完整的充电过程,并且温度参数的获取会增加筛选过程的成本问题。
电池的增量容量曲线的峰值与电池老化有明显的映射关系,在电池容量估计中获得较多的研究。通常以多个电池峰值作为容量指标,估计效果很好,但是多个峰值就会带来电池充电时间过长的问题,一个峰值下的容量估计效果往往很不理想。
发明内容
本发明为了解决上述问题,提出了一种动力电池老化状态评估与退役筛选方法及***,本发明可以有效降低检测时间,降低筛选的测试成本,提升评估和筛选精度。
根据一些实施例,本发明采用如下技术方案:
一种动力电池老化状态评估与退役筛选方法,用于筛选退役动力电池,包括以下步骤:
根据动力电池的外观以及电压数据进行第一层次筛选;
获取第一层次筛选后的动力电池的设定时间内充电的测试数据,基于电池的容量-电压曲线进行求导和二次求导,分别提取求导后曲线的设定峰值第一指标和第二指标,分别用于判断电池类别和一致性,实现第二层次筛选;
基于电池的直流内阻对第二层次筛选后的电池进行第三层次筛选。
作为可选择的实施方式,所述测试数据包括动力电池充电过程中的电压、电流数据。
作为可选择的实施方式,所述设定时间大于等于动力电池能够充电至表现出第一指标和第二指标所需的时间。
作为可选择的实施方式,第二层次筛选的具体过程包括:以电池的容量-电压曲线进行求导得到增量容量曲线,提取滤波后增量容量曲线的第一个峰值作为第一指标,利用第一指标判断电池类别;
对增量容量曲线进行求导得到新曲线,提取滤波后新曲线的第一个峰值作为第二指标,利用第二指标确定各类别电池的一致性,筛选出一致性小于设定值的各同类别电池。
作为进一步限定的实施方式,若第一指标所在横坐标值大于预设值,则为三元锂电池,否则为磷酸铁锂电池。
作为进一步限定的实施方式,利用第二指标确定各类别电池的一致性的具体过程包括,利用至少一训练后的随机森林模型,根据第二指标确定每个类别电池的一致性。
作为进一步限定的实施方式,所述随机森林模型的训练过程包括:
通过对部分不同类型的退役电池充电获取电压、电流数据,并利用安时积分法获得退役电池真实的容量值;
利用一部分充电片段的容量-电压数据提取第一指标和第二指标,通过第一指标坐标位置判断电池类型,分别组成不同电池训练样本集,有放回地抽取多个样本,作为一个训练子集;
对于训练子集,从特征集中无放回地随机抽取多个特征,作为决策树上的每个节点***的依据,从根结点开始,自上而下生成一个完整的决策树,不断重复直到得到多个决策树,将各决策树组合起来,形成随机森林模型。
作为可以选择的方案,所述电池直流内阻的获取过程包括:对于磷酸铁锂电池,完成充电任务之后放电到第一设定电压后静置一段时间,根据第一设定电压和静置后的电压值,计算得到电池的直流内阻;对于三元电池,获取容量特征之后继续充电到第二设定电压后静置一段时间,根据第二设定电压和静置后的电压值,计算得到电池的直流内阻。
一种动力电池老化状态评估与退役筛选***,包括:
第一筛选模块,被配置为根据动力电池的外观以及电压数据进行第一层次筛选;
第二筛选模块,被配置为获取第一层次筛选后的动力电池的设定时间内充电的测试数据,基于电池的容量-电压曲线进行求导和二次求导,分别提取求导后曲线的设定峰值第一指标和第二指标,分别用于判断电池类别和一致性,实现第二层次筛选;
第三筛选模块,被配置为基于电池的直流内阻对第二层次筛选后的电池进行第三层次筛选。
与现有技术相比,本发明的有益效果为:
本发明构建了第一指标和第二指标,只要充电至电池表现出第一指标和第二指标即可,能够大幅缩小测试时间,减少测试所需数据,提高退役电池的筛选速度。
本发明在短时间内获取动力电池的电压、电流数据并快速处理完成电池老化性能评估,速度快、精度高、适应性强,可推广应用于退役电池筛选等领域。
本发明分别利用外观基础数据、容量特性指标和直流内阻可完成多个层次的退役电池筛选。大量的实验测试表明本发明提出的评估和筛选方法有效地减少测试时间,同时保证很高的准确率。通过将性能接近退役电池重组之后进行充放电测试,发现相比于初始模组,重组之后电池单体之间的电压一致性有明显改善。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是动力电池老化状态评估新指标的获取过程;
图2是退役电池的随机森林算法流程;
图3是多个退役的三元锂电池增量容量曲线和容量-电压二阶导数曲线图;
图4是多个退役的磷酸铁锂电池增量容量曲线和容量-电压二阶导数曲线图;
图5是退役的三元锂电池的分选结果图;
图6是退役的磷酸铁锂电池的分选结果图;
图7是退役的三元锂电池重组前和重组后充放电一致性效果图;
图8是退役的磷酸铁锂电池重组前和重组后充放电一致性效果图;
图9是退役的三元电池在不同dv间隔下的筛选准确率图;
图10是退役的磷酸铁锂电池在不同dv间隔下的筛选准确率图;
图11是退役的磷酸铁锂电池在不同采样频率下的筛选准确率图;
图12是退役的三元电池在不同采样频率下的筛选准确率图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
提供了动力电池老化状态评估方法及其退役筛选方法,其中老化状态新指标的获取流程以及随机森林算法流程分别如图1、2所示,具体包括如下过程:
(1)通过拆解退役电池模组为退役电池单体,随后观察电池外观、电压以及自放电率,将其中一部分电池挑选出来直接回收。
在一部分实施例中,电池外观可以由摄像头等拍摄设备采集,经过图像处理模型自动分别,图像处理模型选用现有智能算法模型即可,以识别电池外壳是否存在破损,排除存在破损的电池。
当然,在部分实施例中,也可以人工挑选。
另外,还需要挑出电压和自放电率小于设定值的电池。
(2)通过特殊充电获取退役电池电压、电流数据,并进行预处理得到增量容量曲线和容量-电压二阶导数曲线,本实施例中,数据的采样频率为1Hz。
本部分的特殊充电是指只需将电池充电至动力电池能够充电至表现出第一指标和第二指标后即可。
本实施例中,测试工况具体步骤如下:
以1/3C恒流充电到增量容量曲线的第一个峰值点(即第一指标),充电截止;
根据第一个峰值点的横坐标是否大于设定值(本实施例中为3.6V),以判断电池的类型;
如果是磷酸铁锂电池则放电到3.3.V,截止放电,记录3.3V下直流内阻值;
如果是三元电池则继续充电到4.0V,截止充电,记录4.0V下直流内阻值;
(3)基于电池的充电数据提取电池容量相关的特征;
通过对电池的容量-电压曲线进行求导得到增量容量曲线,经过高斯滤波之后提取增量容量曲线的第一个峰值作为其中一个老化指标(即第一指标);对增量容量曲线进行求导得到新曲线,经过高斯滤波之后,提取新曲线的第一个峰值作为评估老化状态的新指标(即第二指标)。
具体的,电池容量的计算公式如下所示:
式中:Q为电池安时积分法得到的容量,t1为充电起始时刻,t2为充电终止时刻,i(t)是充电过程中的电流值。
退役电池增量容量曲线的计算公式如下:
式中:Q(t)和V(t)分别表示t时刻的电量和端电压。Q(j)和V(j)分别是Q(t)和V(t)的离散形式。此外,n是采样间隔。
评估老化状态新指标的计算公式如下所示:
其中Q’(t)表示电量函数在t时刻的导数值,Q’(j)是Q’(t)的离散形式,n是采样间隔。
基于随机森林算法的退役筛选的训练过程包括:
通过对部分不同类型的退役电池充电获取电压、电流数据,并利用安时积分法获得退役电池真实的容量值;
仅利用少量充电片段的容量-电压数据提取上述特征,通过增量容量曲线的峰值坐标位置判断电池类型,分别组成磷酸铁锂电池训练样本集和三元锂电池训练样本集;
这两种退役电池的训练样本集可以分别用于训练两个随机森林模型,并且两个模型训练过程一致,包括:
为了描述方便,假设训练集为T,由N个样本组成,设特征集为F包含第一指标和第二指标,类别集合为C。
(a)从容量为N的训练集T中,采用自助抽样法(bootstrap),即有放回地抽取N个样本,作为一个训练子集Tk;
(b)对于训练子集Tk,从特征集F中无放回地随机抽取m个特征,其中m=log2M(向上取整),其中M表示特征集的维度,作为决策树上的每个节点***的依据,从根结点开始,自上而下生成一个完整的决策树Dk,不需要剪枝;
(c)重复n次步骤(a)和(b),得到n个训练子集T1,T2,…,Tn,并生成决策树D1,D2,…,Dn,将n个决策树组合起来,形成随机森林。
作为一种典型实施例,本实施例中对退役电池容量-电压曲线进行两次处理来提取表征电池容量的特征;提取的特征包括:增量容量曲线的第一个峰值点坐标和容量-电压二阶导数曲线的第一个峰值点坐标。退役电池的容量越低,峰值点的位置向着右下方移动,如图3、4所示。
通过求取特征与容量之间的皮尔逊相关性系数,表明特征与容量的相关性较强,具体结果如表1所示。P1和P2分别是退役三元电池的两个曲线的峰值点;P3和P4是退役磷酸铁锂电池的两个曲线的峰值点,其中Pi_x表示峰值点横坐标,Pi_y表示峰值点纵坐标,(i=1,2,3,4)。
表1提取特征与容量之间的相关性系数
本实施案例中,基于退役三元电池的增量容量曲线以及容量-电压二阶导数曲线提取l个电池的容量特征构成训练集{(P1,1,P1,2,C1),(P2,1,P2,2,C2),…,(Pl,1,Pl,2,Cl)};基于退役磷酸铁锂电池的增量容量曲线以及容量-电压二阶导数曲线提取k个电池的容量特征(Pi,3,P i,4,C1)构成训练集{(P1,3,P1,4,C2),(P2,3,P2,4,SOH),…,(Pk,3,Pk,4,Ck)}。
基于退役的磷酸铁锂电池数据集训练随机森林模型一,基于退役的三元电池数据集训练随机森林模型二。随机森林模型由多个独立的决策树组成,并且将bootstrap取样得到n个训练样本子集用于训练n个决策树,最后生成随机森林。
将测试集输入到训练好的基于随机森林的退役电池筛选模型中,让每个决策树对测试集进行决策,然后采用多数投票法对决策结果投票,最终决定退役电池的类别号,如图2所示。本实施例中,基于随机森林的退役电池筛选模型的输出函数具体为:
其中,C表示实际类别集,Dj(T)是第j个决策树的估计类别,F(.)是一个0-1判断函数,argmax(.)输出票数最多的类别号。
本实施例中选取了222节退役的磷酸铁锂电池和103节退役的三元电池组成样本集进行训练和测试,其中具体的训练集样本和测试集样本数目如表2,3所示。
表2退役的三元电池训练样本和测试样本数目.
表3退役的磷酸铁锂电池训练样本和测试样本数目
为了展示所提出方法的分类效果,依据容量的大小和密集程度将每种退役电池分成三类,每一类都选取一部分退役电池用于训练,通过对比实际分类结果和预测分类结果实现对所提出方法的检验。不同种类的退役电池筛选结果如图5、6所示,其中退役的三元电池测试集的分类正确率为97.14%,磷酸铁锂电池测试集分类正确率为97.26%。退役电池整体上的筛选准确率高达97.22%,108个退役电池中仅有三个被错误分类。此外,由于是小片段的充电测试,所以测试测时间大幅度缩减。
测试结果评估函数为:
其中,λ表示测试集中退役电池的个数,C′μ表示第μ个退役电池的预测分类号,Cμ表示第μ个退役电池的实际分类号。
基于电池容量分类的结果,通过提取直流内阻进行第三层次筛选。
两种电池可以利用上述电压点下的直流内阻作为整个电池的内阻。通过以0.1V作为电压间隔进行脉冲放电:放电每减少0.1V,静置一段时间测量电池的直流内阻,发现磷酸铁锂电池在低电压范围内直流内阻变化不明显,可以将3.3V下直流内阻作为电池内阻,减少测试时间;而对于三元电池在充电过程中高电压区域内阻变化不明显,所以将4.0V下的直流内阻作为电池内阻,可以减少测试时间。
两种电池可以利用上述电压点下的直流内阻作为整个电池的内阻。通过以0.1V作为电压间隔进行脉冲放电:放电每减少0.1V,静置一段时间测量电池的直流内阻,发现磷酸铁锂电池在低电压范围内直流内阻变化不明显,可以将3.3V下直流内阻作为电池内阻,减少测试时间;而对于三元电池在充电过程中高电压区域内阻变化不明显,所以将4.0V下的直流内阻作为电池内阻,可以减少测试时间。
直流内阻的计算公式如下所示:
U(t1)表示t1时刻的电压值,U(t1+1)表示t1时刻后静置第1s的电压值,I(t1)为t1时刻的电流值。
本实施例中,通过将性能相近的退役三元电池和磷酸铁锂电池分别重组,每个模组由四个电池单体串联形成。通过简单的完全充放电测试来验证电池单体之间的电压不一致性,结果如图7、8所示。图中可以看出,重组之后电池一致性相比之前的初始模组有明显的改善。
在部分实施例中,还包括重组后验证过程,将性能相近的退役三元电池、磷酸铁锂电池分别串联重组后进行正常充放电测试,验证筛选重组之后的电池之间的一致性。
实施例二
在一个或多个实施方式中,公开了动力电池老化状态评估和退役筛选***,包括:
一种动力电池老化状态评估与退役筛选***,包括:
第一筛选模块,被配置为根据动力电池的外观以及电压数据进行第一层次筛选;
第二筛选模块,被配置为获取第一层次筛选后的动力电池的设定时间内充电的测试数据,基于电池的容量-电压曲线进行求导和二次求导,分别提取求导后曲线的设定峰值第一指标和第二指标,分别用于判断电池类别和一致性,实现第二层次筛选;
第三筛选模块,被配置为基于电池的直流内阻对第二层次筛选后的电池进行第三层次筛选。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了说明,此处不再详述。
实施例三
在一个或多个实施方式中,退役电池可在不同电压间隔下获取电池的增量容量曲线以及容量-电压二阶导数曲线。虽然两个曲线会有一定变化,但所提出的动力电池老化状态评估方法及其退役筛选技术依然适用。退役电池测试100次的筛选准确率如图9、10所示。
实施例四
在一个或多个实施方式中,退役电池可以在不同采样频率下获取电池的电压、电流数据,并且所提出的动力电池老化状态评估方法及其退役筛选技术依然适用。退役电池测试100次的筛选准确率如图11、12所示。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种动力电池老化状态评估与退役筛选方法,其特征是,包括以下步骤:
根据动力电池的外观以及电压数据进行第一层次筛选;
获取第一层次筛选后的动力电池的设定时间内充电的测试数据,基于电池的容量-电压曲线进行求导和二次求导,分别提取求导后曲线的设定峰值第一指标和第二指标,分别用于判断电池类别和一致性,实现第二层次筛选;第二层次筛选的具体过程包括:以电池的容量-电压曲线进行求导得到增量容量曲线,提取滤波后增量容量曲线的第一个峰值作为第一指标,利用第一指标判断电池类别;若第一指标所在横坐标值大于预设值,则为三元锂电池,否则为磷酸铁锂电池;
对增量容量曲线进行求导得到新曲线,提取滤波后新曲线的第一个峰值作为第二指标,利用第二指标确定各类别电池的一致性,筛选出一致性小于设定值的各同类别电池;
利用第二指标确定各类别电池的一致性的具体过程包括,利用至少一训练后的随机森林模型,根据第一指标和第二指标确定每个类别电池的一致性;
所述随机森林模型的训练过程包括:通过对部分不同类型的退役电池充电获取电压、电流数据,并利用安时积分法获得退役电池真实的容量值;利用一部分充电片段的容量-电压数据提取第一指标和第二指标,通过第一指标坐标位置判断电池类型,分别组成不同电池训练样本集,有放回地抽取多个样本,作为一个训练子集;对于训练子集,从特征集中无放回地随机抽取多个特征,作为决策树上的每个节点***的依据,从根结点开始,自上而下生成一个完整的决策树,不断重复直到得到多个决策树,将各决策树组合起来,形成随机森林模型;
基于电池的直流内阻对第二层次筛选后的电池进行第三层次筛选。
2.如权利要求1所述的一种动力电池老化状态评估与退役筛选方法,其特征是,所述测试数据包括动力电池充电过程中的电压、电流数据。
3.如权利要求1所述的一种动力电池老化状态评估与退役筛选方法,其特征是,所述设定时间大于等于动力电池能够充电至表现出第一指标和第二指标所需的时间。
4.如权利要求1所述的一种动力电池老化状态评估与退役筛选方法,其特征是,所述电池直流内阻的获取过程包括:对于磷酸铁锂电池,完成充电任务之后放电到第一设定电压后静置一段时间,根据第一设定电压和静置后的电压值,计算得到电池的直流内阻;对于三元电池,获取容量特征之后继续充电到第二设定电压后静置一段时间,根据第二设定电压和静置后的电压值,计算得到电池的直流内阻。
5.如权利要求4所述的一种动力电池老化状态评估与退役筛选方法,其特征是,所述电池直流内阻的获取过程包括:将各类电池设定电压下的直流内阻作为整个电池的内阻。
6.一种动力电池老化状态评估与退役筛选***,其特征是,包括:
第一筛选模块,被配置为根据动力电池的外观以及电压数据进行第一层次筛选;
第二筛选模块,被配置为获取第一层次筛选后的动力电池的设定时间内充电的测试数据,基于电池的容量-电压曲线进行求导和二次求导,分别提取求导后曲线的设定峰值第一指标和第二指标,分别用于判断电池类别和一致性,实现第二层次筛选;第二层次筛选的具体过程包括:以电池的容量-电压曲线进行求导得到增量容量曲线,提取滤波后增量容量曲线的第一个峰值作为第一指标,利用第一指标判断电池类别;若第一指标所在横坐标值大于预设值,则为三元锂电池,否则为磷酸铁锂电池;
对增量容量曲线进行求导得到新曲线,提取滤波后新曲线的第一个峰值作为第二指标,利用第二指标确定各类别电池的一致性,筛选出一致性小于设定值的各同类别电池;
利用第二指标确定各类别电池的一致性的具体过程包括,利用至少一训练后的随机森林模型,根据第一指标和第二指标确定每个类别电池的一致性;
所述随机森林模型的训练过程包括:通过对部分不同类型的退役电池充电获取电压、电流数据,并利用安时积分法获得退役电池真实的容量值;利用一部分充电片段的容量-电压数据提取第一指标和第二指标,通过第一指标坐标位置判断电池类型,分别组成不同电池训练样本集,有放回地抽取多个样本,作为一个训练子集;对于训练子集,从特征集中无放回地随机抽取多个特征,作为决策树上的每个节点***的依据,从根结点开始,自上而下生成一个完整的决策树,不断重复直到得到多个决策树,将各决策树组合起来,形成随机森林模型;
第三筛选模块,被配置为基于电池的直流内阻对第二层次筛选后的电池进行第三层次筛选。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210985717.0A CN115166563B (zh) | 2022-08-17 | 2022-08-17 | 一种动力电池老化状态评估与退役筛选方法及*** |
PCT/CN2022/125720 WO2024036737A1 (zh) | 2022-08-17 | 2022-10-17 | 一种动力电池老化状态评估与退役筛选方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210985717.0A CN115166563B (zh) | 2022-08-17 | 2022-08-17 | 一种动力电池老化状态评估与退役筛选方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115166563A CN115166563A (zh) | 2022-10-11 |
CN115166563B true CN115166563B (zh) | 2024-06-18 |
Family
ID=83478595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210985717.0A Active CN115166563B (zh) | 2022-08-17 | 2022-08-17 | 一种动力电池老化状态评估与退役筛选方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115166563B (zh) |
WO (1) | WO2024036737A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166563B (zh) * | 2022-08-17 | 2024-06-18 | 山东大学 | 一种动力电池老化状态评估与退役筛选方法及*** |
CN116885302B (zh) * | 2023-07-24 | 2024-04-02 | 深圳蓝锂科技有限公司 | 基于bms实现退役电池的安全管理的方法及装置 |
CN117250522B (zh) * | 2023-11-17 | 2024-02-23 | 深圳蓝锂科技有限公司 | 应用于退役电池管理下的数据建模方法及*** |
CN117783887B (zh) * | 2024-02-28 | 2024-05-14 | 深圳市神通天下科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
CN117949831B (zh) * | 2024-03-27 | 2024-05-31 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和*** |
CN114833097A (zh) * | 2022-05-05 | 2022-08-02 | 合肥工业大学 | 一种退役动力电池梯次利用的分选方法及装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102755966B (zh) * | 2012-07-31 | 2014-04-09 | 河南省电力公司电力科学研究院 | 一种动力电池梯级利用分选评估方法 |
US10393813B2 (en) * | 2013-08-27 | 2019-08-27 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
EP2990818B1 (en) * | 2014-09-01 | 2019-11-27 | Yokogawa Electric Corporation | Secondary battery capacity measurement system and secondary battery capacity measurement method |
CN106443475A (zh) * | 2016-10-21 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于运营大数据的退役动力电池无拆解再次利用筛选方法 |
CN108993931B (zh) * | 2018-05-18 | 2020-09-04 | 中山大学 | 一种动力电池的分选方法 |
CN109768340B (zh) * | 2018-12-05 | 2020-12-22 | 国联汽车动力电池研究院有限责任公司 | 一种电池放电过程电压不一致性估计方法及装置 |
CN109800446B (zh) * | 2018-12-05 | 2023-05-09 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池放电过程电压不一致性估计方法及装置 |
CN111398833B (zh) * | 2020-03-13 | 2021-08-31 | 浙江大学 | 一种电池健康状态评估方法 |
CN111323719A (zh) * | 2020-03-18 | 2020-06-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和*** |
CN111974709B (zh) * | 2020-06-30 | 2022-06-14 | 南京工程学院 | 基于温度变化聚类分析的退役动力锂电池筛选方法及*** |
CN114487887A (zh) * | 2020-10-27 | 2022-05-13 | 彩虹无线(北京)新技术有限公司 | 电池健康度测量方法、装置、设备和存储介质 |
CN113900028B (zh) * | 2021-10-09 | 2022-07-08 | 山东大学 | 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及*** |
CN114429050A (zh) * | 2022-03-08 | 2022-05-03 | 中国科学院广州能源研究所 | 一种退役动力电池梯次利用的分选方法 |
CN115166563B (zh) * | 2022-08-17 | 2024-06-18 | 山东大学 | 一种动力电池老化状态评估与退役筛选方法及*** |
-
2022
- 2022-08-17 CN CN202210985717.0A patent/CN115166563B/zh active Active
- 2022-10-17 WO PCT/CN2022/125720 patent/WO2024036737A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和*** |
CN114833097A (zh) * | 2022-05-05 | 2022-08-02 | 合肥工业大学 | 一种退役动力电池梯次利用的分选方法及装置 |
Non-Patent Citations (2)
Title |
---|
A Screening Method for Retired Lithium-ion Batteries Based on Naive Bayes;Bencheng Huang等;《2022 6th CAA International Conference on Vehicular Control and Intelligence (CVCI)》;20221028;1-6 * |
面向电池梯次利用筛选需求的 定制化聚类优化方法;马速良等;《中 国 电 机 工 程 学 报》;20220905;6208-6217 * |
Also Published As
Publication number | Publication date |
---|---|
CN115166563A (zh) | 2022-10-11 |
WO2024036737A1 (zh) | 2024-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115166563B (zh) | 一种动力电池老化状态评估与退役筛选方法及*** | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
CN103792495B (zh) | 基于德尔菲法和灰色关联理论的电池性能评价方法 | |
WO2024060600A1 (zh) | 废旧电池梯次使用的筛选方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN110031771A (zh) | 一种描述电池一致性的方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
Jiang et al. | Sorting and grouping optimization method for second-use batteries considering aging mechanism | |
CN110850323A (zh) | 一种退役三元锂电池加速衰减的评价方法及装置 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN109613440A (zh) | 电池的分级方法、装置、设备和存储介质 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和*** | |
CN111077457A (zh) | 一种梯次利用磷酸铁锂电池加速衰减的评价方法及装置 | |
CN109613446A (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
CN110661040A (zh) | 一种退役磷酸铁锂动力电池分选方法和装置 | |
CN116298934A (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
CN113449468B (zh) | 一种锂离子电池组的多参数分布特性建模和参数生成方法 | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
CN112649735A (zh) | 一种快速得到电池包总容量的方法 | |
CN113759254B (zh) | 电池重组方法、装置、设备及存储介质 | |
Liu et al. | Fast screening of capacity and internal resistance for cascade utilization of the retired power lithium-ion batteries | |
CN112578302A (zh) | 一种梯次利用动力电池重组方法、***、设备和存储介质 | |
Perone et al. | Battery lifetime prediction by pattern recognition. Application to lead-acid battery life-cycling test data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |